面向智能手机的快速且最小化的抑郁识别系统：可解释机器学习方法

背景：近年来开发的旨在基于持久设备的深度人群系统用于检测抑郁，需长时间收集数据，可能在早期检测至关重要的情况下并不有效。目的：我们的主要目标是开发一个最优化的系统，在最短时间内识别抑郁。方法：我们开发了一个快速工具，可在1秒内（平均0.31，标准差1.10秒）检索过去7天的app使用数据。我们邀请了100名孟加拉学生参与研究，我们的工具收集了他们的app使用数据。为了识别患抑郁和非抑郁的学生，我们开发了一套多样化的机器学习模型。我们采用稳健的方法选择重要特征，以及3种主要的特征选择（FS）方法。结果：仅利用在1秒内检索的app使用数据，我们的轻量级梯度提升机模型使用稳健FS方法选择的重要特征，正确识别了82.4%（n=42）的抑郁学生（精确率=75%，F1值=78.5%）。此外，在全面探索后，我们提出了一个简洁的堆叠模型，其中约5个特征由全部相关FS方法Boruta选择，用于每个验证迭代，显示出最高的精确率为77.4%（平衡准确率=77.9%）。我们对最佳模型进行了SHAP分析，呈现了与抑郁相关的行为标记。结论：由于本系统的快速性和最小化特性，可能为在欠发达和发展中国家识别抑郁作出有价值的贡献。此外，我们关于发现影响的详细讨论可促进开发更少资源密集型的系统，以更好地理解患抑郁的学生。